論文の概要: SynFace: Face Recognition with Synthetic Data

• arxiv url: http://arxiv.org/abs/2108.07960v1
• Date: Wed, 18 Aug 2021 03:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:41:48.118339
• Title: SynFace: Face Recognition with Synthetic Data
• Title（参考訳）: SynFace: 合成データによる顔認識
• Authors: Haibo Qiu, Baosheng Yu, Dihong Gong, Zhifeng Li, Wei Liu, Dacheng Tao
• Abstract要約: 我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
• 参考スコア（独自算出の注目度）: 83.15838126703719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent success of deep neural networks, remarkable progress has been achieved on face recognition. However, collecting large-scale real-world training data for face recognition has turned out to be challenging, especially due to the label noise and privacy issues. Meanwhile, existing face recognition datasets are usually collected from web images, lacking detailed annotations on attributes (e.g., pose and expression), so the influences of different attributes on face recognition have been poorly investigated. In this paper, we address the above-mentioned issues in face recognition using synthetic face images, i.e., SynFace. Specifically, we first explore the performance gap between recent state-of-the-art face recognition models trained with synthetic and real face images. We then analyze the underlying causes behind the performance gap, e.g., the poor intra-class variations and the domain gap between synthetic and real face images. Inspired by this, we devise the SynFace with identity mixup (IM) and domain mixup (DM) to mitigate the above performance gap, demonstrating the great potentials of synthetic data for face recognition. Furthermore, with the controllable face synthesis model, we can easily manage different factors of synthetic face generation, including pose, expression, illumination, the number of identities, and samples per identity. Therefore, we also perform a systematically empirical analysis on synthetic face images to provide some insights on how to effectively utilize synthetic data for face recognition.
• Abstract（参考訳）: 近年のディープニューラルネットワークの成功により、顔認識の進歩は目覚ましいものとなっている。 しかし、顔認識のための大規模な実世界のトレーニングデータの収集は、特にラベルノイズとプライバシの問題のために難しいことが判明した。 一方、既存の顔認識データセットは通常Webイメージから収集され、属性に関する詳細なアノテーション(例えば、ポーズや表現)が欠如しているため、異なる属性が顔認識に与える影響は調査されていない。 本稿では、合成顔画像(SynFace)を用いた顔認識における上記の課題に対処する。 具体的には,人工顔画像と実顔画像で学習した最新の顔認識モデルとの性能差について検討した。 次に、パフォーマンスギャップの背後にある根本的な原因、例えばクラス内変異の貧弱さ、合成画像と実際の顔画像の間のドメインギャップを分析します。 これを踏まえ,identity mixup (im) と domain mixup (dm) の合成を考案し,上記のパフォーマンスギャップを緩和し,顔認識のための合成データの大きな可能性を示す。 さらに, 制御可能な顔合成モデルを用いて, ポーズ, 表情, 照明, アイデンティティ数, サンプル数など, 合成顔生成のさまざまな要因を容易に管理できる。 そこで本研究では,合成顔画像の系統的実験分析を行い,顔画像における合成データの利用法について考察する。

関連論文リスト

• Unveiling Synthetic Faces: How Synthetic Datasets Can Expose Real Identities [22.8742248559748]
  6つの最先端の合成顔認識データセットにおいて、元の実データからのサンプルが漏洩していることを示す。 本論文は,ジェネレータモデルのトレーニングデータから生成した合成顔認証データセットへの漏洩を示す最初の研究である。
  論文  参考訳（メタデータ） (2024-10-31T15:17:14Z)
• SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
  大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。 近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。 本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。 SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
  論文  参考訳（メタデータ） (2024-04-06T10:30:31Z)
• If It's Not Enough, Make It So: Reducing Authentic Data Demand in Face Recognition through Synthetic Faces [16.977459035497162]
  大規模な顔データセットは、主にWebベースのイメージから作成され、明示的なユーザの同意が欠如している。 本稿では,合成顔データを用いて効果的な顔認識モデルの訓練を行う方法について検討する。
  論文  参考訳（メタデータ） (2024-04-04T15:45:25Z)
• VIGFace: Virtual Identity Generation Model for Face Image Synthesis [13.81887339529775]
  合成顔画像を生成する新しいフレームワークであるVIGFaceを提案する。 肖像画の権利を気にすることなく、仮想顔画像を作成することができる。 既存のイメージを組み込んだ効果的な拡張手法として機能する。
  論文  参考訳（メタデータ） (2024-03-13T06:11:41Z)
• SynthDistill: Face Recognition with Knowledge Distillation from Synthetic Data [8.026313049094146]
  最先端の顔認識ネットワークは計算コストが高く、モバイルアプリケーションでは利用できないことが多い。 本稿では,教師の事前学習した顔認識モデルの知識を合成データを用いて抽出し,軽量な顔認識モデルを訓練するための新しい枠組みを提案する。 我々は、識別ラベルのない合成顔画像を用いて、合成データセットのクラス内変動生成における問題を緩和する。
  論文  参考訳（メタデータ） (2023-08-28T19:15:27Z)
• IDiff-Face: Synthetic-based Face Recognition through Fizzy Identity-Conditioned Diffusion Models [15.217324893166579]
  合成データセットは、顔認識開発のためのプライバシーに敏感な認証データに代わる有望な選択肢として登場した。 IDiff-Faceは、顔認識訓練のための現実的なアイデンティティ変動を伴う合成ID生成のための条件付き潜時拡散モデルに基づく、新しいアプローチである。
  論文  参考訳（メタデータ） (2023-08-09T14:48:31Z)
• Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
  まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。 眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。 IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
  論文  参考訳（メタデータ） (2021-03-30T01:30:08Z)
• Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
  本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。 本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
  論文  参考訳（メタデータ） (2020-11-17T18:12:41Z)
• InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
  我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。 まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。 次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
  論文  参考訳（メタデータ） (2020-05-18T18:01:22Z)
• Learning Inverse Rendering of Faces from Real-world Videos [52.313931830408386]
  既存の方法は、顔画像を3つの構成要素(アルベド、ノーマル、照明)に分解する。 本稿では,アルベドと正常の整合性の仮定に基づいて,我々のモデルを実顔ビデオでトレーニングするための弱い教師付きトレーニング手法を提案する。 私たちのネットワークは、実データと合成データの両方で訓練されています。
  論文  参考訳（メタデータ） (2020-03-26T17:26:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。